Sztuczna inteligencja (AI) prezentuje potężny potencjał rozwoju i niewątpliwie w ciągu najbliższych kilku lat zmieni nasze życie. W wielu obszarach biznesowych już jest powszechnie używana. Wraz z postępem technologicznym można się spodziewać, że rola AI w przemyśle będzie nadal rosnąć, przynosząc szereg korzyści przedsiębiorstwom produkcyjnym. Ale jak wygląda to obecnie?
Słuchając wypowiedzi dostawców oprogramowania zawierającego sztuczną inteligencję, czytając opisy systemów dla przemysłu i materiały marketingowe, podjąłem się analizy tego, co w tej chwili dostępne jest polskim rynku. Moje wnioski nie są zbyt optymistyczne.
Narzędzia AI do zarządzania produkcją – czy istnieją?
Uważam, że pora odkryć karty. Istniejące na rynku rozwiązania bazujące na AI to nadal programy, coraz bardziej zaawansowane, ale nie stanowią one przełomu technologicznego, który przedstawiany jest nam w materiałach marketingowych. Obecny rozwój systemów IT do zarządzania produkcją postrzegam jako zaawansowane narzędzia wykorzystujące kompleksową analizę danych (dostarczanych przez użytkownika za pomocą podłączenia do maszyn lub integracji systemów, w których te dane są zbierane w mniej lub bardziej automatyczny sposób), ale moim zdaniem nie mogą pretendować do miana technologii AI.
Dlaczego? Oto kilka przykładów z rynku.
„AI po wprowadzeniu odpowiedniej ilości danych może samodzielnie tworzyć plany produkcyjne dostosowane do możliwości materiałowych i finansowych przedsiębiorstwa”. Przecież ta funkcjonalność dostępna od wielu lat w dobrej klasy systemach APS!
„Narzędzie APS zawierające AI jest w stanie identyfikować obszary niewydajności i sugerować usprawnienia, a zatem służy do optymalizacji procesów produkcyjnych”. Czyż nie opisuje to po prostu językiem marketingowym funkcji optymalizacyjnych, które dostępne są przykładowo u wiodącego japońskiego dostawcy systemu APS od kilkudziesięciu lat?
„Narzędzie służące do eksploracji procesów oparte na AI daje możliwość monitorowania procesów w czasie rzeczywistym, nie tylko analizowania ich po zakończeniu”. To przecież opis typowego systemu do rejestracji zdarzeń online, czego przykładem może być powszechny system typu SCADA, dostępny od drugiej połowy poprzedniego wieku.
„Chat GPT wykorzystywany jest do udzielania wskazówek i porad dotyczących produkcji oraz zarządzania magazynem”. Nie ulega wątpliwości, że Chat GPT jest potężnym narzędziem usprawniającym pracę, ale proszę zwrócić uwagę na jakość generowanych tam treści. Zawsze wymagają one weryfikacji. Chat GPT nie bierze odpowiedzialności za ich prawdziwość. Dodatkowo Chat GPT wykorzystuje dane, którymi jest zasilany, do udzielania odpowiedzi kolejnym użytkownikom. Czy na pewno powinniśmy mu udostępniać nasze dane dotyczące procesów produkcyjnych? Do rozważenia pozostaje kwestia poufności danych. W tym miejscu rodzi się kolejne pytanie – co z odpowiedzialnością za podejmowane decyzje na bazie AI? Odpowiedzialność za błędne decyzje nadal spoczywać będzie na osobach odpowiedzialnych za zarządzanie produkcją.
Jako drobną dygresję dodam, że przeglądając teksty publikowane w Internecie na temat sztucznej inteligencji zastosowanej w zarządzaniu produkcją niejednokrotnie miałem wrażenie, że owe treści były pisane właśnie przez AI – dużo ogólników, zero konkretów.
„Czarna skrzynka” zwana sztuczną inteligencją
Widać zatem, że większość opisów systemów do zarządzania produkcją wykorzystujących technologię AI to przykład kolejnego marketingowego trendu. Jeszcze nie tak dawno nadużywano sformułowania „Industry 4.0” czy „Smart Factory” do opisów zwykłego procesu automatyzacji (będącego w istocie Przemysłem 3.0). Obecnie nadużywa się słowa „sztuczna inteligencja” do opisu czegoś, co de facto sztuczną inteligencją nie jest. Czyżby dostawcy systemów, np. do harmonogramowania produkcji uznali, że uzyskają przewagę jeśli w swych materiałach będą promowali hasła o wykorzystywaniu AI w budowie optymalnego planu?
Najczęściej spotykanym problemem jest brak informacji na temat tego, jak dany system oparty o AI działa. Zasady działania algorytmów przedstawiane klientom są niejasne i niezrozumiałe. Pod pretekstem ochrony własności intelektualnej dostawcy prezentują „czarne skrzynki”, które „potrafią wszystko”, a jedynym wyjaśnieniem jest informacja o stosowaniu DL (głębokiego uczenia maszynowego) czy sieci neuronowych.
Niestety nie zawsze jest to prawda. Może się okazać, że wykorzystywane są powszechnie znane, starsze modele, np. liniowej czy logicznej regresji, ale za to bardziej przejrzyste i tańsze, niż złożone modele bazujące na sieciach neuronowych.
Co warto wiedzieć przed wdrożeniem nowej technologii?
Chciałbym zwrócić uwagę na trzy istotne kwestie, które powinny być poruszane przy planach związanych z wdrożeniem nowej technologii.
Każda inwestycja powinna być poprzedzona określeniem celów biznesowych. Powinniśmy sobie odpowiedzieć na pytania: czego oczekujemy po wdrożeniu narzędzia opartego na AI, jakie ma ono przynieść nam efekty.
W drugiej kolejności powinniśmy zrobić „rachunek sumienia” i zastanowić się, czy nasza organizacja jest na to przygotowana pod kątem ilości i organizacji wiarygodnych danych, które zasilać będą algorytmy ML. Nawet najbardziej zaawansowane technologicznie rozwiązanie nie będzie mogło sprawnie działać, jeśli nie będzie dysponować dużą ilością danych o wysokiej jakości.
Trzecia kwestia to rzetelne przygotowanie się do rozmowy z dostawcami technologii, którzy, jak zobaczyliśmy wcześniej, mają tendencje do opisywania górnolotnymi sformułowaniami czegoś, co de facto sztuczną inteligencją nie jest. Nie dajmy się zwieść pięknym słowom i wizjom niepopartym twardymi faktami. Pytajmy o szczegóły, o przykłady wdrożeń, rozmawiajmy z innymi firmami, które dane rozwiązanie już stosują. Domagajmy się informacji o tym:
- Jak system zachowuje się w konkretnej implementacji w naszym przedsiębiorstwie?
- Jakie cele uwzględnia?
- Na jaki efekt został zoptymalizowany algorytm?
- Jakie dane zostały wzięte do jego trenowania?
- Jaki zastosowano model statystyczny?
- Co bierze pod uwagę, a co pomija, czyli jakie ma ograniczenia?
- Jak minimalizuje błędy?
- Czy jest modelem ogólnym, czy ma konkretne zastosowania branżowe?
- W jaki sposób był testowany?
Jeśli dostawcy nie potrafią odpowiedzieć na takie pytania, to powinna pojawić się w naszych głowach poważna wątpliwość, czy w ogóle rozwiązanie zawiera AI, ML, DL, modele sieci neuronowych, etc.
Etapy wdrożenia rozwiązania bazującego na sztucznej inteligencji
Wszystko co wskazałem powyżej, można podsumować w następujących krokach (za Fundacją Panoptykon). Należy jednak pamiętać, że zakładamy tu, że przedsiębiorstwo wraz z dostawcą systemu dokonało już analizy problemu, dostępności danych, ograniczeń technologicznych i doszło do wniosku, że należy zastosować model z uczeniem maszynowym, i że AI jest najlepszym narzędziem do rozwiązania danego problemu.
Krok 1. Określenie celu, który ma realizować system.
Krok 2. Przetłumaczenie celu na język matematyki.
Krok 3. Określenie, co to znaczy „optymalny efekt” i jakie koszty się z nim wiążą.
Krok 4. Wybór zestawu danych treningowych.
Krok 5. Wybór modelu statystycznego odpowiedniego do założonego celu.
Krok 6. Testowanie, czy wybrany model działa prawidłowo.
Krok 7. Wnioski z testów i poprawa.
Zdaję sobie sprawę, że nie zawsze trzeba budować algorytmy i modele od początku. Obecnie dostępne są rozwiązania, które można kupić lub takie, które dostępne są dla każdego, chociażby w bibliotece scikit-learn. Są one już testowane na ogromnej liczbie danych i wprowadzenie mniejszej porcji danych w konkretnej implementacji może przynieść spodziewany efekt. Nie decydowałbym się jednak na bezkrytyczne korzystanie z nich z uwagi na możliwe błędy, niedostosowanie do specyfiki produkcyjnej, branżowej oraz różne cele biznesowe.
Podsumowując – decydując się na rozwiązanie oparte o AI odtajniajmy „czarną skrzynkę”. Jeśli tego nie zrobimy, to pamiętajmy, że konsekwencje decyzji ukrytych za tajnym algorytmem ponosi zwykły człowiek.
Jestem świadom tego, że technologia rozwija się dziś w niesamowitym tempie, co oznacza, że moja obecna opinia na temat AI w rozwiązaniach IT dla przemysłu już za kilka miesięcy może być nieaktualna. Aktualne jednak będą zalecenia odnośnie zdefiniowania naszych celów biznesowych, krytycznego, ale i rzetelnego spojrzenia na oferowane rozwiązanie i odpowiedniego przygotowania się do wdrożenia systemu IT opartego na sztucznej inteligencji.
.
Dariusz Kacperczyk
doradca zarządu eq system
Masz jakieś uwagi lub pytania? Skontaktuj się z nami.
